Supply Chain Analytics in Power BI: Sichtbarkeit, Risiko und Optimierung

Die Lieferkettenunterbrechungen der letzten Jahre haben eine brutale Wahrheit ans Licht gebracht: Die meisten Unternehmen hatten über ihre Tier-1-Lieferanten hinaus keinen Einblick in ihre Lieferkette. Als in einem Land eine Fabrik geschlossen wurde, wussten die Unternehmen nicht, welche ihrer Komponenten aus dieser Fabrik stammten – und als sie es erfuhren, war es zu spät, um zu reagieren.

Power BI ändert diese Gleichung. Durch die Verbindung mit ERP-Systemen, Lieferantenportalen, Logistikplattformen und externen Risikodatenquellen bietet Power BI Supply-Chain-Teams die Transparenz, um Probleme zu erkennen, bevor sie zu Krisen werden – und die Analysetools, um Kosten, Lagerbestände und Lieferantenbeziehungen systematisch zu optimieren. Dieser Leitfaden deckt den gesamten Umfang der Supply-Chain-Analyse in Power BI ab, von der grundlegenden KPI-Verfolgung bis zur erweiterten Risikoerkennung.

Wichtige Erkenntnisse

– Eine durchgängige Transparenz der Lieferkette erfordert die Integration von ERP-, WMS-, TMS- und Lieferantendaten in Power BI

• Leistungsbewertungskarten für Lieferanten fördern die Verantwortlichkeit und identifizieren Risiken der Abhängigkeit von einer einzelnen Quelle
• Die On-Time-in-Full-Messung (OTIF) ist der wichtigste KPI für die Lieferleistung in der Lieferkette
• Analysen zur Bestandsoptimierung reduzieren die Lagerkosten und halten gleichzeitig das Serviceniveau aufrecht
• Bedarfsprognosen mit KI-gestütztem Power BI reduzieren Prognosefehler und Bestandsverschwendung
• Transportanalysen identifizieren Ausreißer bei den Fahrspurkosten und Leistungsprobleme der Spediteure
• Risiko-Dashboards für die Lieferkette integrieren externe Daten (Nachrichten, Wetter, Geopolitik) mit interner Gefährdung
• Die perfekte Auftragsrate misst die Leistung der gesamten Lieferkette in einer einzigen zusammengesetzten Metrik

---

Supply Chain Analytics-Datenarchitektur

Für die Supply-Chain-Analyse in Power BI ist in der Regel die Integration von 6–10 Datenquellen erforderlich:

Die skalierbarste Architektur verwendet ein Data Warehouse als Integrationszentrum. Quellsysteme landen Daten im Warehouse (über Fivetran, Azure Data Factory oder benutzerdefinierte Pipelines), Dateningenieure wenden Transformationen an und erstellen Lieferkettendimensionen und -fakten, und Power BI fragt das Warehouse nach allen Dashboards und Berichten ab.

---

Kern-KPIs der Lieferkette

Die Perfect Order Rate verdient besondere Aufmerksamkeit, da sie die Leistung der Lieferkette ganzheitlich erfasst – eine Bestellung muss pünktlich, vollständig, unbeschädigt und mit korrekter Dokumentation geliefert werden, um als „perfekt“ zu gelten. Eine Pünktlichkeitsrate von 95 % × 98 % abgeschlossen × 99 % unbeschädigt × 99 % korrekte Dokumentation = 91 % perfekte Bestellquote. Die zusammengesetzte Metrik ist anspruchsvoller als jede einzelne Komponente und spiegelt das Kundenerlebnis besser wider.

---

Lieferantenleistungsmanagement

Beim Lieferantenleistungsmanagement hat die Analyse der Lieferkette die direktesten Auswirkungen auf das Geschäft. Eine schlechte Lieferantenleistung – verspätete Lieferungen, Qualitätsprobleme, unvollständige Bestellungen – führt zu Produktionsausfällen, Ausfällen im Kundendienst und Beschleunigungskosten, die die Kosten der Analyseplattform in den Schatten stellen.

Lieferanten-Scorecard misst jeden Lieferanten in vier Dimensionen:

Lieferleistung: Pünktlichkeitsquote, gemessen am ursprünglich gewünschten Liefertermin (kein geändertes Datum). Lieferanten, die ständig zu spät liefern, aber die Erwartungen durch Überarbeitung der Termine erfüllen, verbessern nicht die Zuverlässigkeit der Lieferkette – sie verzögern lediglich die Sichtbarkeit des Problems.

Qualitätsleistung: Eingehende Qualitätsrückweisungsrate nach Charge, nach Teilenummer und nach Prüfergebnis. Lieferanten mit chronischen Qualitätsproblemen verbrauchen Ressourcen für die Eingangskontrolle, verursachen Produktionsverzögerungen, wenn schlechte Teile das Band erreichen, und stellen letztendlich ein Versorgungsrisiko dar.

Reaktionsfähigkeit: Wie schnell bestätigt der Lieferant Bestellungen? Wie schnell reagieren sie auf Qualitätsmeldungen und Korrekturmaßnahmenanfragen? Eine langsame Reaktionsfähigkeit in normalen Zeiten deutet auf eine langsame Reaktion in einer Krise hin.

Kommerzielle Compliance: Stimmen Rechnungen mit Bestellungen überein? Werden die Frachtbedingungen eingehalten? Sind Zertifizierungen (ISO, REACH, RoHS) aktuell und archiviert?

Die kombinierte Bewertung (gewichtet nach Wichtigkeit für die Kategorie) ergibt ein Lieferantenranking von A bis D. Lieferanten mit der Bewertung D haben Verbesserungspläne mit Ausstiegsplänen, wenn sich die Leistung nicht verbessert. Das Dashboard zeigt den Trend – ein Lieferant, der innerhalb von sechs Monaten von C nach B wechselt, sollte erkannt werden; Ein Wechsel von B nach D sollte eine Eskalation auslösen.

Die Zuordnung alleiniger Quellenabhängigkeiten ist eine wichtige Risikoanalysefunktion. Für jedes kritische Teil oder jede kritische Komponente identifiziert Power BI, ob es eine einzelne Quelle oder mehrere qualifizierte Quellen gibt. Abhängigkeiten von einer einzigen Quelle, die zudem niedrige Lieferantenleistungswerte aufweisen, stellen das Lieferkettenrisiko mit der höchsten Priorität dar – das sind Situationen, die zum Stillstand der Produktion führen können.

Single Source Risk Score =
IF(
    COUNTROWS(
        FILTER(SupplierParts, SupplierParts[PartNumber] = EARLIER(SupplierParts[PartNumber]))
    ) = 1,
    DIVIDE(Parts[CriticalityScore], SupplierScorecard[PerformanceScore], 0),
    0
)

---

Analyse zur Bestandsoptimierung

Der Lagerbestand stellt gebundenes Kapital, Lagerkosten und Veralterungsrisiko dar. Zu geringe Lagerbestände führen zu Fehlbeständen und Produktionsunterbrechungen. Zu viel verursacht Verschwendung und belastet den Cashflow. Die Bestandsanalysen von Power BI helfen dabei, das Optimum zu finden – den Mindestbestand, der die Service-Level-Ziele über alle SKU-Standort-Kombinationen hinweg erfüllt.

ABC-XYZ-Analyse klassifiziert den Bestand nach zwei Dimensionen:

• ABC (nach Wert): A = obere 20 % der Artikel nach Jahresausgaben, B = nächste 30 %, C = untere 50 %
• XYZ (nach Nachfragevariabilität): X = konsistente Nachfrage, Y = mäßige Variabilität, Z = stark unregelmäßige Nachfrage

Die resultierende 9-Kategorien-Matrix (AX, AY, AZ, BX... CZ) leitet die Bestandspolitik. AX-Artikel (hoher Wert, konstante Nachfrage) erfordern eine strenge Bestandsverwaltung – genaue Nachbestellpunkte, häufiges Zählen, Zusammenarbeit mit Lieferanten. CZ-Artikel (geringer Wert, unregelmäßige Nachfrage) können eher für eine auftragsbezogene oder lieferantengesteuerte Lagerhaltung als für die Lagerhaltung in Frage kommen.

Sicherheitsbestandsoptimierung berechnet den Pufferbestand, der erforderlich ist, um angesichts der Schwankungen der Nachfrage und der Liefervorlaufzeiten ein angestrebtes Serviceniveau aufrechtzuerhalten. Die Formel:

Safety Stock =
Z_Score × SQRT(
    (Lead_Time_Avg × Demand_StdDev^2) +
    (Demand_Avg^2 × Lead_Time_StdDev^2)
)

Wobei Z_Score = 1,65 für 95 % Servicelevel, 2,05 für 98 %, 2,33 für 99 %. Power BI berechnet dies für jede SKU-Standort-Kombination und vergleicht es mit dem aktuellen Sicherheitsbestand – wodurch Artikel angezeigt werden, die entweder zu wenig (Servicerisiko) oder zu viel (Überschusskapital) vorrätig sind.

Die Slow Moving and Obsolete (SLOB)-Inventaranalyse identifiziert Artikel, die seit 90, 180 oder 365 Tagen nicht bewegt wurden. Für Hersteller stellen veraltete Komponenten, die durch Designänderungen ersetzt werden, ein Abschreibungsrisiko dar. Langsame Bestände binden für Händler Regalfläche und Kapital. Power BI kennzeichnet SLOB-Inventar mit empfohlenen Dispositionen: Rückgabe an den Lieferanten, Verkauf mit Rabatt oder Abschreibung.

---

Bedarfsprognose und -planung

Die Leistung der Lieferkette beginnt mit der Bedarfsprognose – je besser die Prognose, desto weniger Sicherheitsbestände sind erforderlich und desto effizienter kann die Lieferkette geplant werden. Power BI lässt sich in Bedarfsplanungssysteme integrieren und fügt durch seine integrierte Analyse-Engine KI-gestützte Prognosefunktionen hinzu.

Statistische Prognosen in Power BI nutzen die Zerlegung von Zeitreihen, um die Nachfrage in Trend-, Saisonalitäts- und Rauschkomponenten zu unterteilen. Die KI-gestützte Prognosevisualisierung passt exponentielle Glättungs- oder Regressionsmodelle an historische Daten an und erstellt Prognosen mit Konfidenzintervallen.

Prognosegenauigkeitsmessung verfolgt, wie der tatsächliche Bedarf im Vergleich zur Prognose abschneidet. Der mittlere absolute prozentuale Fehler (MAPE) ist die Standardmetrik – ein MAPE unter 20 % gilt für die meisten Branchen als gut. Die Verfolgung von MAPE nach Produktfamilie und Planungshorizont (Woche 1 vs. Woche 8) identifiziert, wo Prognoseverbesserungen die größte Wirkung haben werden.

Demand Sensing nutzt kurzfristige Signale – POS-Daten, Bestellmuster, Webverkehr, Social Listening –, um die statistische Prognose mit Frühindikatoren anzupassen. Power BI kann diese Signale integrieren, wenn es mit den entsprechenden Quellen verbunden ist, und so eine zusammengesetzte Prognose erstellen, die genauer ist als die statistische Basislinie allein.

Konsensprognosen führen den Werbekalender des Marketings, die Pipeline-basierten Anpassungen des Vertriebs und die statistische Basislinie in einer einzigen Konsenszahl zusammen. Der Power BI-Workflow für Konsensprognosen zeigt die Eingaben aller Beteiligten neben der statistischen Basislinie an und markiert große Abweichungen, die einer Diskussion bedürfen.

---

Logistik- und Transportanalyse

Der Transport macht in der Regel 5–10 % des Umsatzes von Herstellern und Händlern aus – eine bedeutende Kostenstelle, bei der Analysen erhebliche Einsparungen ermitteln können. Das Transportanalyse-Dashboard von Power BI stellt eine Verbindung zu TMS-Daten her, um Kosten- und Leistungstransparenz auf Spur-, Spediteur- und Verkehrsträgerebene zu ermöglichen.

Frachtkosten pro Einheit nach Spur (Ursprungs-Ziel-Paar) identifiziert Ausreißerspuren, bei denen die Kosten deutlich über den Richtwerten liegen. Diese Ausreißer können auf die Wahl des Transportmittels (Luft, wo Seefracht verkehren würde), auf die Auswahl des Spediteurs (Premium-Spediteur, wo ein regionaler Spediteur ausreichen würde) oder auf Möglichkeiten zur Sendungskonsolidierung (viele kleine Sendungen, bei denen eine wöchentliche Sammelladung weniger kosten würde) zurückzuführen sein.

Pünktliche Lieferung nach Spediteur und Spur misst die Zuverlässigkeit des Spediteurs. Ein Spediteur mit einer Pünktlichkeitsleistung von 88 % auf einer Strecke, auf der der Benchmark bei 96 % liegt, hat entweder Probleme mit der Kapazität auf dieser Strecke oder hat systematische Betriebsprobleme. Die Analysen liefern den Beweis, um ein produktives Gespräch mit dem Netzbetreiber zu führen – oder das Volumen neu zuzuteilen.

Frachtrechnungsprüfungsanalysen vergleichen die in Rechnung gestellten Frachtkosten mit den vertraglich vereinbarten Tarifen und den erwarteten Kosten. Überhöhte Rechnungen durch Spediteure (falsche Gewichtsklasse, falsche Zone, nicht genehmigte Zusatzgebühren) kommen so häufig vor, dass viele große Verlader Frachtprüfungsfirmen beauftragen. Power BI kann einen Großteil dieses Prüfungsprozesses automatisieren, indem Rechnungen gekennzeichnet werden, bei denen der Rechnungsbetrag den erwarteten Wert um mehr als einen Toleranzschwellenwert überschreitet.

Modusoptimierung analysiert historische Sendungen, um herauszufinden, wo die Modusauswahl verbessert werden kann. Sendungen, die auf dem Luftweg erfolgten und deren Lieferung auf dem Landweg dem vom Kunden gewünschten Termin entsprechen würde, oder FTL-Sendungen, die günstiger als LTL gewesen wären, stellen erstattungsfähige Kosten dar.

---

Supply-Chain-Risikoanalyse

Die Analyse von Lieferkettenrisiken ist die Fähigkeit, die den größten strategischen Wert bietet – und die die meisten Unternehmen vor den jüngsten globalen Störungen am wenigsten im Blick hatten. Power BI kann interne Risikodaten mit externen Risikosignalen integrieren, um ein Risiko-Dashboard für die Lieferkette zu erstellen, das Beschaffungsteams und Führungskräften ein Frühwarnsystem bietet.

Geografisches Konzentrationsrisiko stellt dar, wo Lieferanten ansässig sind, und quantifiziert die Gefährdung nach geografischer Lage. Ein Unternehmen, das 60 % einer kritischen Komponentenkategorie aus einem einzigen Land bezieht, hat ein erhebliches Konzentrationsrisiko. Power BI visualisiert dies als gefüllte Karte mit Belichtungswerten nach Land oder Region.

Finanzielle Gesundheitsüberwachung verfolgt die Bonitätsbewertungen, Finanzunterlagen und Nachrichtenerwähnungen wichtiger Lieferanten. Bei einem Lieferanten, dessen finanzielle Lage sich verschlechtert, besteht die Gefahr von Kapazitätseinbußen, Qualitätsproblemen oder Insolvenz. Frühwarnung gibt dem Beschaffungsteam Zeit, Alternativen vor einer Krise zu qualifizieren.

Volatilitätsverfolgung der Lieferzeit misst die Standardabweichung der tatsächlichen Lieferzeiten nach Lieferant und Teil. Eine hohe Schwankung der Lieferzeiten ist ein führender Indikator für Lieferunterbrechungen – Lieferanten, deren Lieferzeiten länger oder unregelmäßiger geworden sind, geraten unter Druck. Dieses Signal geht einem schwerwiegenderen Versorgungsproblem oft 60–90 Tage voraus.

Externe Risikointegration stellt eine Verbindung zu Risikodatenanbietern (Resilinc, Everstream, Dun & Bradstreet) oder öffentlichen Datenquellen (Wetter-APIs, Newsfeeds) her, um externen Kontext zu den internen Lieferkettendaten hinzuzufügen. Ein Hurrikan, der sich einem Lieferantencluster in einer wichtigen Beschaffungsregion nähert, oder politische Unruhen in der Nähe eines wichtigen Logistikzentrums können automatisch im Dashboard angezeigt werden.

---

Häufig gestellte Fragen

Wie stellt Power BI eine Verbindung zu SAP für Lieferkettenanalysen her?

Power BI stellt über den SAP HANA-Connector, den SAP BW/4HANA-Connector oder über ein zwischengeschaltetes Data Warehouse, das über SAP DataSphere oder Syniti geladen wird, eine Verbindung zu SAP ECC und S/4HANA her. Für betriebliche Lieferkettendaten (Bestellungen, Wareneingänge, Lagerbestände) extrahieren die meisten Implementierungen täglich Daten in eine Staging-Schicht und laden sie in ein Data Warehouse, bevor Power BI sie abfragt. Auf Echtzeit-SAP-Daten kann über DirectQuery über den SAP HANA-Connector zugegriffen werden, wenn SAP HANA die zugrunde liegende Datenbank ist.

Was ist On-Time In-Full (OTIF) und warum ist es wichtig?

Die OTIF misst den Prozentsatz der Bestellungen, die sowohl pünktlich (zum erforderlichen Liefertermin) als auch vollständig (mit der gesamten bestellten Menge) geliefert wurden. Es vereint zwei entscheidende Dimensionen der Lieferleistung in einer einzigen Metrik. Eine pünktliche Lieferung, aber weniger als 5 % der bestellten Menge gilt nicht als OTIF-konform. Das OTIF-Programm von Walmart, das Lieferanten bei Nichteinhaltung mit Geldstrafen belegt, hat OTIF zu Bekanntheit verholfen, wird aber heute allgemein als primärer KPI für die Lieferkette verwendet, da es erfasst, was der Kunde tatsächlich braucht.

Kann Power BI bei der Bedarfsprognose helfen oder ist dafür ein separates Tool erforderlich?

Power BI umfasst integrierte KI-Prognosen, die für viele Anwendungsfälle in der Lieferkette sinnvolle Zeitreihenprognosen erstellen. Für anspruchsvollere Prognosen (Einbeziehung externer Faktoren, kausale Modellierung, hierarchische Prognosen über Tausende von SKUs) sind dedizierte Bedarfsplanungssysteme (Kinaxis, o9, Blue Yonder, SAP IBP) besser geeignet. Power BI stellt dann eine Verbindung zu diesen Systemen her, um deren Prognosen neben dem tatsächlichen Bedarf zu visualisieren und Prognosegenauigkeitsmetriken zu berechnen.

Wie messen Sie das Lieferkettenrisiko in Power BI?

Das Lieferkettenrisiko in Power BI kombiniert typischerweise interne Risikodaten (was wir kaufen, wie viel, woher) mit Leistungssignalen (Vorlaufzeittrends, Qualitätstrends, Liefertrends) und externen Risikodaten von Anbietern von Risikoinformationen. Risikoscores können im DAX als gewichtete Zusammensetzung berechnet werden. Geografische Konzentration, Abhängigkeiten von Einzellieferanten und finanzielle Gesundheit der Lieferanten sind die drei am häufigsten erfassten Dimensionen. Die resultierende Risiko-Heatmap zeigt, welche Lieferanten-Teile-Kombinationen das höchste kombinierte Risiko aufweisen.

Wie hoch ist der ROI der Supply-Chain-Analyse mit Power BI?

Der ROI der Supply-Chain-Analyse stammt aus mehreren Quellen: Bestandsreduzierung (bessere Berechnung des Sicherheitsbestands reduziert Überschüsse um 10–20 %), Reduzierung der Frachtkosten (Verkehrsmodusoptimierung und Spediteuranalysen sparen 5–10 % der Transportausgaben), Reduzierung der Qualitätskosten (besseres Lieferantenmanagement reduziert eingehende Mängel) und vermiedene Unterbrechungskosten (Risikoanalysen ermöglichen eine proaktive Diversifizierung). Für ein Unternehmen mit COGS von 100 Mio. USD und einem Lagerumschlag von 20 % bedeutet eine Bestandsreduzierung von 10 %, dass 2 Mio. USD vom Betriebskapital befreit werden.

---

Nächste Schritte

Supply-Chain-Analysen funktionieren am besten, wenn sie alle richtigen Datenquellen verbinden und jedem Stakeholder – vom Lagerleiter über den CPO bis zum CFO – eine kohärente, rollengerechte Sicht bieten. Die Datenarchitektur ist genauso wichtig wie die Dashboards; Eine schlechte Datenqualität an der Quelle untergräbt jede Erkenntnis.

Die Power BI-Dienste von ECOSIRE umfassen Implementierungen von Lieferkettenanalysen mit Erfahrung in ERP-Plattformen, WMS- und TMS-Integrationen sowie Frameworks für das Lieferantenleistungsmanagement. Kontaktieren Sie uns, um Ihre Ziele für die Transparenz Ihrer Lieferkette zu besprechen.